先看证据
把机制串起来
这类模型本质上是逐词生成的语言模型；“智能体”能力还需要它能按约定格式调用外部工具，并由运行环境执行工具、把结果交回来。长上下文表示模型可接收更长输入，不代表读得越长就一定越准，也不代表推理成本不变。基准分数只能说明模型在特定任务、工具和评测流程下的表现，不能直接等同于真实工作能力。
配置采用52层、隐藏维度7168的标准LlamaForCausalLM，并使用56个查询头、8个键值头的分组查询注意力；每个键值头供多个查询头共享，可降低长上下文推理时的KV缓存占用。它是dense模型而非MoE，因此每个token都会经过全部33B参数，结构直接，但计算和权重显存开销也由此较高。512K上下文依靠配置中的长位置上限和RoPE参数支持；上下文越长，KV缓存仍会线性增长，注意力计算也会更昂贵，标称长度不等于经济可用长度。按BF16估算，单序列满512K的KV缓存
['BF16权重约66GB，部署需多卡；官方配方用4路张量并行', '多轮工具代理可启用preserve_thinking并按模板传工具', '512K适合长文档任务；满上下文单序列KV缓存约104GiB', '别用单一Terminal-Bench分数替代真实仓库修复验证']
发布重点不是参数变大，而是路线变了
Nanbeige LLM Lab 发布了 Nanbeige4.3-33B：一个面向智能体编程和办公协作任务的 33B dense 模型，托管于 Hugging Face，采用 Apache 2.0 许可。团队也发布了可用于定制后训练的 Base 版本，并把 33B 定位为 Nanbeige4.3 系列的教师模型。发布方称，后续计划把智能体能力蒸馏到 Nanbeige4.3-3B。
这次发布值得技术负责人留意，是因为公开产品路线从此前以 3B 档模型为主，增加了一个明显更大的能力源头。它把问题从“一个小模型能否直接完成任务”，改成“较强教师模型能否先证明能力，再把能力有效迁移到更小、更易部署的模型”。不过，蒸馏数据、训练流程和小模型效果尚未公开，路线图目前还是承诺，不是已交付的部署选项。
512K 是上限，不是免费的工作空间
模型卡和配置文件显示，Nanbeige4.3-33B 使用标准 LlamaForCausalLM 架构，共 52 层，隐藏维度为 7,168，采用 56 个查询头和 8 个键值头。它是 dense 模型，没有专家路由，因此每个 token 都会经过全部 33B 参数。配置列出的最大上下文为 524,288 tokens，权重为 BF16。
这些规格直接影响部署账本。按 BF16 计算，权重本身约需 66 GB；依据层数、KV 头数和头维度估算，KV cache 每个 token 约占 208 KiB，若填满 512K 上下文，仅 KV cache 就约需 104 GiB，尚未计入激活和框架开销。模型卡给出的 SGLang 与 vLLM 配方使用 4 路张量并行，说明发布方预期的是多 GPU 服务器，而不是单卡即插即用。长上下文可以扩大可处理输入，但并不意味着长上下文推理的成本也同样轻。
工具调用入口有了，智能体可靠性仍要实测
模型的聊天模板暴露了三个与实际使用相关的控制项。enable_thinking 用于开关本轮推理，默认开启；preserve_thinking 用于保留前序轮次的推理内容，模型卡建议在多轮工具使用和代码智能体场景中启用。传入工具后，模板支持工具调用，发布方推荐 XML 格式。
这些设计说明模型并非只把“智能体”当作基准标签，而是提供了多轮推理和工具交互的接口。但接口存在，不等于在具体工作流里就能稳定完成任务：团队仍需检查工具调用格式是否适配现有编排层、跨轮状态是否符合安全和审计要求，以及保留推理内容对延迟和上下文预算的影响。公开资料没有给出这些控制项在生产工作流中的独立验证结果。
高分集中在强项，不能抹平任务差异
Nanbeige 在自家模型卡的 20 项对比中，有 17 项得分领先附近规模的三款开放模型。最醒目的结果来自 Terminal-Bench 2.1 和 DeepSWE，但同一张表也显示它并非每项编程任务都占优。
| 基准 | Nanbeige4.3-33B | Qwen3.8-27B | |---|---:|---:| | Terminal-Bench 2.1 | 80.9 | 73.0 | | DeepSWE | 65.5 | 42.5 | | SWE-Bench Pro | 60.3 | 61.7 |
在办公协作类基准中，Nanbeige 报告 Automation Bench 为 54.2，对比 Qwen 的 38.3；JobBench 为 44.8，对比 34.5。它还在 AIME 2026 报告 95.2，但 GPQA Diamond 为 89.5，低于表中的 Gemma4-31B 的 91.3。所有这些分数均由 Nanbeige 自报；团队称各模型使用最高 thinking effort，并共享推理参数与 harness，但公开表格也显示不同基准涉及各自的工具、评测器或 harness。Terminal-Bench 2.1 的高分与 Terminal-Bench 4.0 的 23.8 属于不同版本，不能直接当作同一测试的前后冲突。
把它放进评测矩阵，而不是直接放进生产
对技术团队来说，Nanbeige4.3-33B 更适合作为候选模型进入内部评测，而不是因为“17 项领先”就直接替换现有系统。应优先复测与自身工作流接近的代码和办公任务，同时记录工具调用成功率、任务完成质量、推理延迟与资源占用。SWE-Bench Pro 上落后 Qwen 的结果提醒人们，基准优势会随任务定义改变。
Apache 2.0 许可提供了较宽松的使用基础，但开放权重不等于低成本或已验证的生产能力。该模型只支持文本输入，训练数据、训练算力和完整训练流程未公开；512K 长上下文的实际表现与成本也没有在材料中得到说明。更稳妥的判断是：在多 GPU 资源充足、任务与其已报告强项相符时，值得做受控对照；若决策依赖小模型部署、长上下文经济性或独立复现成绩，现有公开证据还不够。